基于粒子群收缩因子算法的BP网络径流预测模型

BP网络模型在径流预测中应用较广,效果较好.但目前对BP网络的初始权重及偏值、学习率、动量因子和训练次数多采用"试错法"来确定,具有较大的不确定性,影响到模型的收敛速度和精度.为此,提出一种利用粒子群收缩因子算法(CFPSO)对BP模型上述参数进行优化的方法,并利用径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度.     

粒子群收缩因子算法在BP网络年径流预测模型中的应用研究

径流预测是梯级电站优化调度的基础。目前已广泛应用的BP网络径流预测模型的参数确定多采用"试错法",具有较大的不确定性,影响到模型的收敛速度和精度。本文利用粒子群收缩因子算法(CFPSO)对BP模型的初始权重及偏值、学习率、动量因子和训练次数等参数进行优化,并利用电站年径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度。     

动态自适应粒子群优化算法与最小二乘支持向量机在年径流预测中的应用

针对最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数以及基本粒子群优化算法(PSO)存在早熟收敛等弊端,通过对PSO惯性因子、加速因子以及粒子飞行速度进行动态调整,以及借鉴遗传算法变异思想引入自适应变异算子,对PSO算法进行改进,提出动态自适应粒子群优化算法(DAPSO),利用DAPSO算法优化选择LSSVM惩罚因子和核函数参数,构建DAPSO-LSSVM年径流预测模型,并与PSO算法优化选择LSSVM学习参数的PSO-LSSVM模型以及GA-BP、RBF、BP模型作为对比,以云南省某水文站年径流预测为例进行实例研究,利用实例前30年和后17年资料分别对各模型进行训练和预测。结果表明DAPSO-LSSVM模型对实例后17年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.31%、5.95%,预测精度优于PSO-LSSVM模型,大幅优于GA-BP、RBF和BP模型。DAPSO算法全局寻优能力强、收敛速度快,稳健性能好,利用DAPSO算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于人工鱼群算法的冰情预报神经网络模型

在分析凌汛成因的基础上选取合适的预报因子,针对BP神经网络收敛速度慢、易陷入局部极小值的缺点,利用改进的人工鱼群算法训练BP神经网络,以黄河宁蒙河段封开河日期数据进行建模,给出了人工鱼群算法训练神经网络的基本原理和步骤,并对人工鱼群算法神经网络模型、遗传算法神经网络模型、粒子群神经网络模型的预测结果进行了对比分析。结果表明:人工鱼群算法神经网络模型对黄河内蒙古段凌汛期的封开河日期预测比较准确,预测结果优于遗传算法神经网络模型和粒子群神经网络模型。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

基于免疫进化算法的BP网络模型在径流预测中的应用

在BP网络模型基础上,引入免疫进化算法,建立了基于免疫进化算法的BP网络模型。该模型在一定范围内随机生成初始权值群体,用BP网络进行训练,选择群体中具有最大适应度值的权值个体作为最优个体,应用免疫进化算法生成下一代权值群体,再用BP网络对权值群体进行训练,此迭代过程反复进行,直至达到问题求解精度要求为止。将该模型应用于新疆伊犁河雅马渡站的径流预测,并将预测结果与基本BP网络模型和基于遗传算法的模糊优选BP网络模型的预测结果进行比较,结果表明,该模型不仅精度较高,而且稳定性较好。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

改进粒子群神经网络在变形预测中的应用研究

为更好地对变形体未来的形变量进行预测,研究粒子群BP神经网络模型,并对该模型进行改进,建立改进粒子群BP神经网络模型,结合工程实例,进行对比分析。研究表明,粒子群BP神经网络模型的拟合和预测精度均高于传统BP神经网络模型;改进后的粒子群BP神经网络模型进一步提高了拟合和预测精度,且随着改进方法的不断深入,其预测精度也逐渐提高;改进后的粒子群BP神经网络模型可以更好地对变形进行预测,优势显著。     

基于PCA-MDBN模型的开都河年径流预测

河川径流预测对于干旱区水库调度、防汛抗旱及水资源优化配置具有重要意义。由于河川径流变化影响因子众多,且各因子之间相互关联并呈现非线性变化,采用数学方法及传统神经网络很难精准预测,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,本文首先通过主成分分析筛选影响径流变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除。然后,提出基于粒子群优化算法并结合多变量深度信念网络(BP-MDBN),对河川径流进行预测,并与传统BP神经网络、DBN模型进行比较分析。结果表明:本文方法平均百分比误差为6.2,与BP、DBN方法进行对比,其MAPE分别降低0.077、0.10;BP-MDBN模型的RMSE和MAE值也明显小于其他两种方法。此方法具有较高的预测精度及泛化性能,研究成果可为河川径流精准预测提供理论支撑。     

基于粒子群优化支持向量机的径流预测模型研究

径流预测的精度关系到研究地区的水资源开发利用.为了提高径流预测的精度,将基于统计学理论的模式识别方法支持向量机引入到径流预测模型中.支持向量机中有2个参数惩罚因子C和核参数,这2个参数的选择对支持向量机的模型结构有重要的影响.为了准确地找到支持向量机的参数,将全局寻优的粒子群算法引入到支持向量机的2个参数优化中来.实例研究表明,粒子群优化支持向量机模型能够提高径流预测的精度.     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。     

基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

基于IQPSO优化SVM在径流预报中的应用

提高径流预报精度的关键因素是选取合适的预报模型和预报因子。选择支持向量机作为径流预报模型,针对支持向量机模型参数在应用中存在选取困难的缺点,在标准量子粒子群算法中加入早熟判定准则、高斯扰动和自适应权重,提出改进量子粒子群算法(IQPSO),并使用该算法实现支持向量机参数的自动优选。为了验证效果,分别采用PSO-SVM、QPSO-SVM和径向基神经网络模型预报作对比,并使用多种评价指标进行对比分析。结果表明,使用改进量子粒子群算法优化支持向量机(IQPSO-SVM)模型能够有效提高月径流预报精度。